报告概述
本报告基于2025年10月全球主要金融机构董事与高管的闭门会议，系统梳理了金融服务业在生成式AI部署中的核心议题。报告首先分析了当前AI应用主要以提升生产力为目标，并指出多数机构尚未充分挖掘AI基础功能。随后深入探讨了实现AI转型潜力的关键障碍，包括遗留系统、数据架构碎片化、领导力认知不足及人才战略重构等。报告还特别关注了量子计算的发展前景及其对金融服务的潜在影响，包括反欺诈、超个性化保险和安全隐忧。通过与会高管的真实观点与案例，报告为金融机构董事会和管理层提供了从效率提升转向战略机遇的行动框架。
报告的核心结论
生成式AI当前主要用于提升生产力，尚未引发根本性变革
金融机构已从生成式AI投资中获得初步生产力回报，例如软件开发效率提升约30%，但多数机构仅使用了现有AI基础功能的10%。代理式AI仍处于实验阶段，仅10%-20%的银行有所涉猎，保险业进展稍快。
突破数据与遗留系统瓶颈是规模化AI的关键
大型金融机构受困于数十年的遗留系统和碎片化数据架构，导致数据丰富但洞察匮乏。云迁移被视作关键路径，但全面拥抱云端仍面临安全、监管和成本挑战。数据治理工具和能力建设不可或缺。
业务领导者主导AI应用比技术驱动更有效
成功机构倾向于由业务线领导驱动AI部署，而非仅依赖IT部门。设立核心AI团队赋能业务端，并通过培训和技术推广者提升使用率。长期目标是将核心团队人员重新部署至业务线，实现AI能力的业务化。
量子计算的商业应用临近，金融服务业需提前布局防御策略
量子计算在欺诈检测（提升25%-30%识别率）、超个性化保险等领域潜力巨大，但同时也对加密安全构成威胁。多数董事会尚未充分关注，少数机构已开始制定量子防御预算，并寻求与学术和科技企业合作。
董事会的思维定式应从成本节约转向机遇探索
与会董事会成员强调，AI已催生新收入来源和产品形态，应超越效率讨论，关注新产品线、市场拓展和竞争壁垒消融。董事会需要推动管理层采取更积极的投资策略，并协助界定问题范畴。
报告回答的关键问题
金融机构如何从生成式AI中获取实际业务价值？
报告指出，当前主要价值体现在生产力提升和成本节约，例如软件开发效率提升30%。但多数机构尚未充分挖掘AI基础功能，需从实验阶段转向聚焦投资回报率，并优先在后台运营等低监管风险领域试点代理式AI。
金融业AI规模化部署面临哪些主要障碍？
核心障碍包括遗留系统和碎片化数据架构、高管层AI认知不足、全员AI技能欠缺以及员工对岗位迁移的担忧。报告强调，突破这些障碍需要数据治理投资、领导力参与、全员培训以及构建创新文化。
量子计算对金融服务业是机遇还是威胁？
量子计算在反欺诈、超个性化保险等领域能带来颠覆性提升，例如欺诈识别率提升25%-30%，但同时会威胁传统加密体系。报告建议机构提前部署后量子加密技术，并与学术、科技企业合作以把握先机。
董事会应如何监督和推动AI战略？
董事会需从效率讨论转向机遇探讨，推动管理层投资新产品线和市场拓展。具体措施包括：翻倍技术预算、协助界定问题范畴、确保试点项目规模化治理，并建立对高管AI认知水平的监督机制。
报告中的代表性数据
金融机构已部署的生成式AI成熟生产用例数
2025年10月，一位与会高管分享其机构已部署约90个成熟生产用例，并已跨越实验阶段转向聚焦投资回报率。
生成式AI对软件开发效率的提升幅度
2025年10月，报告指出生成式AI已为数千名开发人员带来约30%的即时效率提升，考虑到大型金融机构的员工规模，有助于节约数十亿美元成本。
量子计算对欺诈识别率的潜在提升幅度
2025年10月，近期模拟实验显示，量子计算可将欺诈识别率提升25%至30%，在反欺诈领域即便微小改进也能产生商业价值。
以上数据根据报告摘要整理，具体统计口径和数值请以完整报告原文为准。
完整报告包含什么
- 与会高管关于生成式AI生产力提升的案例分享，包括软件开发、客户服务等具体场景的效率数据。
- 代理式AI在银行与保险行业的应用现状对比，以及从实验到规模化部署的路径分析。
- 数据治理与云迁移的挑战与对策，包括遗留系统改造、数据清理和本地部署与云端的选择。
- 领导力与文化建设的深度讨论：董事会对高管AI认知的监督、全员提示词工程培训案例、以及人才战略重构的方向。
- 量子计算的技术原理、商业化时间表预测（2031-2035年），以及在欺诈检测、超个性化保险等金融场景的应用前景。
- 量子计算的安全隐忧：后量子加密的必要性、恶意行为者威胁及董事会的安全防御建议。
- 金融机构AI治理框架：核心AI团队的设立、业务主导型卓越中心模式、以及董事会从效率到机遇的思维转变。
- 完整的与会者名单（涵盖全球主要金融机构的董事、高管及安永专家），便于读者参考交流。
- 安永金融服务团队的详细联系方式，包括大中华区各主管合伙人的职责与联系方式。
本页内容由川海智库整理，用于帮助读者快速了解报告主题、核心观点和主要内容。由于报告量大、人工能力有限，部分观点、数据、统计口径或表述可能存在偏差，具体内容请以完整报告原文为准。
